On the Design of Molten Salt Chemistry for Different Industrial Applications

Les mélanges de nitrates fondus sont désormais largement utilisés comme fluides industriels et moyens de stockage d’énergie, ce qui rend la compréhension de leurs propriétés thermo-physiques essentielle dans la conception d’applications industrielles. Dans les applications industrielles, la fluidité du sel fondu et sa capacité à absorber et à transférer la chaleur sont très importantes. Par conséquent, nous nous concentrons sur leur viscosité et leur ca-pacité thermique spécifique. En raison de la difficulté des mesures à haute température et du manque de description précise des modèles physiques de Cp et de viscosité pour les sels fondus multicomposants, il est devenu une tendance récente d’incorporer des techniques informatiques pour prédire ces propriétés. Cette étude examine l’utilisation de modèles d’apprentissage automatique pour prédire la ca-pacité thermique spécifique et la viscosité des sels fondus. L’objectif principal est de dévelop-per des modèles prédictifs d’apprentissage automatique précis et fiables pour les sels fondus de nitrate afin d’aider à la conception et à l’optimisation des applications industrielles. Le jeu de données comprend les températures et les concentrations de différents mélanges de sels fon-dus de nitrate. La recherche emploie divers modèles d’apprentissage automatique, y compris Artificial Neural Network (ANN), Decision Tree (DT), Random Forest (RF), Boosted Regres-sion Tree (BRT), Adaptive Boosting (ABR), Support Vector Machine (SVM), et Extra Trees Regressor (ETR). Chaque modèle est entraîné avec des combinaisons d’hyperparamètres op-timales, évalué et optimisé en utilisant des métriques de performance appropriées telles que le score R2, MSE, RMSE, MAPE, et U95%. De plus, l’étude explore les avantages et les inconvénients de chaque modèle, en soulignant leur applicabilité à différents scénarios. Comparé au modèle traditionnel de réseau neuronal (ANN), le modèle d’apprentissage automatique en ensemble présente une bonne capacité de généralisation, réduit structurellement l’occurrence du phénomène de surapprentissage et offre de meilleures performances dans la prédiction de la viscosité. Parmi eux, le modèle BRT présente les meilleures performances en termes de qualité d’ajustement et de précision des résultats de prédiction. Pour Cp, le modèle d’apprentissage automatique présente des résultats de prédiction relativement pauvres en raison du manque de volume de données. Le modèle DT a la meilleure performance par rapport aux autres modèles d’apprentissage automatique en ensemble.

Abstract

Molten nitrate mixtures are now widely used industrial fluids and energy storage media, so understanding their thermophysical properties plays an important role in designing industrial applications. In industrial applications, the fluidity of molten salt and its ability to absorb and transfer heat are very important. Therefore, we focus on their viscosity and specific heat capacity. Due to the difficulty of high temperature measurements and the lack of accurate description of Cp and viscosity for multicomponent molten salt physical models, it has become a recent trend to incorporate computer techniques to predict these properties. This study investigates the use of machine learning models to predict the specific heat capac-ity and viscosity of molten salts. The main goal is to develop accurate and reliable predictive machine learning models for nitrate molten salts to help design and optimize industrial ap-plications. The dataset includes temperatures and concentrations of different nitrate molten salt mixtures. The research employs various machine learning models, including Artificial Neural Network (ANN), Decision Tree (DT), Random Forest (RF), Boosted Regression Tree (BRT), Adaptive Boosting (ABR), Support Vector Machine (SVM), and Extra Trees Re-gressor (ETR). Each model is trained with optimal hyperparameter combinations, evaluated, and optimized using appropriate performance metrics such as R2 score, mean squared error (MSE), root mean squared error (RMSE), mean absolute percentage error (MAPE), and 95%uncertainty (U95%). In addition, the study explores the advantages and disadvantages of each model, emphasizing their applicability to different scenarios. Compared to the traditional neural network model (ANN), the ensemble machine learning model has good generalization ability, structurally reduces the occurrence of overfitting phenomenon, and has better performance in the predic-tion of viscosity. Among them, BRT’s model has the best performance in terms of goodness of fit and accuracy of prediction results. For Cp, the machine learning model has relatively poor prediction results due to the lack of data volume. Where DT model has the best performance compared to other ensemble machine learning models.